¿Qué es el lead scoring?

Un lead es un contacto que ha dejado sus datos, casi siempre en un formulario, como explica la entrada lead generation. El lead scoring empieza después y ordena. Se mide en dos direcciones.

La primera es el perfil, a menudo llamado fit o adecuación: ¿encaja el contacto con la oferta? HubSpot describe en su ayuda las puntuaciones de adecuación como una valoración a partir de datos demográficos como la edad, el cargo, el tamaño de la empresa o la facturación anual. Salesforce lo llama grading en Marketing Cloud Account Engagement: los contactos se califican según perfiles, y cuantos más criterios cumple alguien, mejor es su nota. La escala va de A+ a F.

La segunda dirección es el comportamiento, a menudo llamado engagement o interacción: ¿cuánto se ocupa el contacto de la empresa? HubSpot pone como ejemplos las visitas a la web, la suscripción a un newsletter, los clics en un call to action o los correos de marketing abiertos. En Salesforce, el score mide el interés implícito y asigna puntos a actividades como abrir un correo, asistir a un webinar o enviar un formulario.

Los dos valores se pueden combinar. HubSpot forma para ello niveles de A1 a C3, en los que la letra indica el fit y el número, el engagement. Según HubSpot, A es fit alto y C, bajo; 1 es engagement alto y 3, bajo. Un contacto con poco fit y mucho engagement queda en C1.

En el modelo clásico de puntos, el equipo fija las reglas. Cada atributo y cada acción reciben un valor, también negativo. HubSpot pone como ejemplo sumar puntos por un sector y un tamaño adecuados y restarlos por una región en la que la empresa no opera. Un ejemplo con valores inventados: cargo de dirección de marketing +15, empresa de más de 50 empleados +10, visita a la página de precios +10, sede fuera de la zona de reparto −30.

El scoring predictivo deja que un modelo calcule los pesos aprendiendo de casos anteriores. HubSpot indica que su puntuación con IA se entrena con contactos y necesita al menos 50, de los que 25 hayan convertido y 25 no. Salesforce escribe que Einstein Behavior Scoring usa machine learning para encontrar las señales de comportamiento más influyentes y asigna una puntuación de 0 a 100. Son datos de los propios fabricantes.

Un estudio de caso de Laura González-Flores y sus colegas, de 2025, separa ambos enfoques. Según su descripción, los modelos tradicionales se basan en reglas, puntos y tablas de puntuación y suelen carecer de validación estadística formal. En la empresa B2B de software estudiada, el modelo de machine learning identificó los leads de calidad mucho mejor que el método anterior. Es una sola empresa, no un resultado general.

Para el paso a ventas hace falta un umbral. En HubSpot se pueden fijar umbrales que clasifican los contactos en alto, medio y bajo. Salesforce describe el umbral como la puntuación a partir de la cual la actividad indica un posible cliente. No hay una cifra válida en general. Marketing y ventas la fijan juntos y la revisan con los resultados de traspasos anteriores, como describe la entrada lead nurturing.

Los puntos por comportamiento deberían caducar con el tiempo; si no, una descarga de hace dos años cuenta lo mismo que una de ayer. HubSpot ofrece una disminución de la puntuación para las puntuaciones de interacción y las combinadas, en intervalos de 1, 3, 6 o 12 meses. Salesforce describe la caducidad como una reducción del score por inactividad.

El lead scoring decide en qué invierte su tiempo el equipo comercial. Sin puntuación, llama a los contactos en el orden en que llegaron, también a los que nunca comprarán. Con un umbral demasiado bajo llegan a ventas leads inmaduros; con uno demasiado alto se quedan parados los que ya iban a comprar. Ambas cosas se miden por el resultado: cuántos leads acepta ventas y cuántos acaban siendo clientes.

Quien puntúa a personas concretas entra además en la protección de datos. El RGPD define en su artículo 4, punto 4, la elaboración de perfiles como el tratamiento automatizado de datos personales para evaluar aspectos personales de una persona física, en particular para analizar o predecir, entre otros, su situación económica, sus intereses o su comportamiento. Según el artículo 21, apartado 2, cuando el tratamiento tenga por objeto la mercadotecnia directa, el interesado puede oponerse en todo momento, incluida la elaboración de perfiles relacionada con ella. Si se opone, sus datos dejan de tratarse para esos fines (apartado 3). El artículo 22, apartado 1, da derecho a no ser objeto de una decisión basada únicamente en el tratamiento automatizado que produzca efectos jurídicos o afecte significativamente de modo similar. Si un scoring concreto entra ahí hay que analizarlo jurídicamente caso por caso.

• Separar los puntos de perfil y los de comportamiento, para que se vea si un lead encaja o solo está activo.
• Fijar por escrito con ventas los criterios y el umbral antes de poner el modelo en marcha.
• Restar puntos también, por ejemplo a candidatos de empleo, competidores o regiones fuera de la oferta.
• Hacer caducar los puntos por comportamiento.
• Revisar el modelo con regularidad frente a las ventas reales y ajustar los pesos.
• Aclarar con la persona responsable de protección de datos con qué base se puntúa a las personas, y aplicar también en el scoring las oposiciones a la mercadotecnia directa.

• Contar solo el comportamiento, de modo que estudiantes o competidores con muchas descargas acaben arriba.
• Copiar los umbrales de los ejemplos de la ayuda del fabricante sin comprobarlos con datos propios.
• No hacer caducar nunca los puntos.
• Entrenar un modelo predictivo con muy pocos casos convertidos.
• Montar el modelo una vez y no volver a contrastarlo con los resultados de ventas.